数据分析的理念、流程、方法、工具（上）

一、数据的价值

1、数据驱动企业运营

从电商平台的「猜你喜欢」到音乐平台的「心动模式」，大数据已经渗透到了我们生活的每一个场景。不论是互联网行业，还是零售业、制造业等，各行各业都在依托互联网大数据（数据采集、数据存储、数据处理、数据挖掘、数据分析、数据呈现）实现企业价值。

企业中数据从产生到应用依次要经过数据源层、数据仓库层、数据建模层，最后到数据应用层，经过层层加工逐渐支持到上游的应用环节。

数据应用层是数据产生价值的出口，通过数据挖掘、用户画像建模、推荐算法的制定，可实现千人千面的个性化内容推荐。「个性化」内涵是内容与用户的高度匹配，以达到提升体验、提升高黏性、促进销售转化的目的。

2、数据驱动产品运营

数据分析对业务发展、产品优化、精细化运营也起到了关键支持。

数据驱动产品、数据驱动运营的关键在于「可以通过数据分析提出产品优化思路，提出运营提升的举措，快速上线验证效果，重新优化，进入新的增长循环」。

数据运营的关键应用场景有：

评估产品改版（新功能）效果

发现产品改进关键点

构建用户画像，以便开展精细化运营

优化用户体验

发现业务运营中存在的问题

运营效果分析、ROI分析

数据总结与向上汇报

…

二、如何用数据驱动运营

1、数据驱动运营的内涵

数据驱动运营是一个很宽泛的概念，但拆分下来，数据驱动运营有三个内涵：

产品运营人员要具备数据意识，通过数据发现问题

产品运营人员可以通过数据管理本职工作，用数据解决问题

让数据说话，提高各部门的沟通效率

2、数据驱动运营的工作流程

1）定义数据分析目标

明确目标，意味着运营人员（或数据分析师）要站在数据结果输出对象的角度去思考。对于管理层来说，往往会关注以下几个结果：

重大决策最终反应在了哪些指标上

这些指标有什么关联

业务全局有什么变化趋势

与过去相比，哪些进步了，哪些退步了

数据暴露出了什么问题，需要做什么调整

产品运营人员则更关注细节。整体来看，运营数据分析的目标主要有三类——即「解决是什么、为什么、做什么」的问题，具体的数据分析目标还要结合实际工作来定义：

是什么：如运营举措的效果如何？产品优化的效果如何？用户使用情况是怎样的？用户的体验反馈如何？

为什么：如转化率为什么提升/降低？用户为什么会产生意料之外的行为？运营举措和产品优化为什么有效/没有效果？

做什么：如运营策略该如何调整？产品该怎么优化？业务战略该怎么调整？

2）数据指标拆解

在确定了分析目标后，就需要进行数据指标拆解。明确要分析哪些具体的数据指标，为了避免遗漏关键细节，可以先对业务（或某一个活动、使用场景）流程做梳理，得出每一个节点的数据指标项，根据分析目标需要，保留关键项，剔除多余项。

3）数据采集

定义数据源：在分析数据之前，要对数据来源、统计口径、统计周期加以定义，以便提交「数据提取」需求。

数据的获取途径：数据来源包括埋点数据、运营平台、业务平台、第三方平台、回访调研等。运营人员要对不同数据源的真实性、准确性做把关。

4）数据可视化

使用图表工具，将数据可视化，更容易发现数据的趋势、极值、联系。不同图表类型适用于不同的分析场景。

散点图：用于描述数据之间的规律

折线图：描述数据随着时间变化的趋势

面积图：折线图的延伸，更注重数据和时间趋势的变化关系

柱形图：类别之间的关系

饼状图：数据之间的占比

漏斗图：转化率分析、占比分析

雷达图：个体数据的属性和可视化，常用于用户画像、CRM

树形图：适合数据量大、类别多的情况，比如各类电商的SKU

桑基图：解释数据复杂变化的趋势，一对多或者多对一

热力图：属性和维度的规律组合，有点像折线图

关系图：不同种类的关系，常用于社交媒体

箱线图：统计学图表，用于研究和观察数据分布，对比数据分布等

标靶图：用于业务销售完成情况等

词云图：文本分析利器

地理图：数据和空间的关系

5）数据分析

解决问题是数据分析的最终落脚点。这一环节的目标是发现数据的特征、规律、数据之间的关联，通过对数据的洞察解决实际问题。

6）输出数据分析结论

数据分析的结果可以根据需要以Word或PPT的形式呈现。

报告应采取总分总的格式：

总述：阐述数据分析的背景、目的、目标、分析思路、目录、关键发现。

分述：对业务按多维度细分分析，用数据图表与相应结论阐述观点。

总结：提出结论与优化建议、行动计划、对业务发展做预测，提出策略与结论、附录。

根据实际工作需要，「报告」不一定是必须的，数据分析的结果是为了下一步的行动计划作支撑。

7）测试验证

根据数据分析结论，按照计划开展优化测试，对测试效果展开分析，以此开启新的数据分析进程，形成数据分析工作的闭环。

三、数据分析的基本指标

1、基础数据指标

基础数据指标参考了增长黑客理论中的AARRR模型，针对用户从新增到流失的多个环节，来定义相应指标。

新增：日/周/月新增。这里有两个维度，增量与增速。新增用户增速是产品增长的基础

传播：病毒系数、传播周期。平均每位老用户会带来几位新用户？大于 1 的时候，产品才可能出现爆发式的指数增长。老用户一般在注册（新增）后多长时间带来新用户？传播周期越短，增长速度越快。

活跃：活跃用户数DAU/MAU。只有活跃用户才能为产品带来价值。

留存：留存率：次日、周、月。使用产品的时间越久（活的长久），对产品的潜在价值越大留存的计算业内有多种方式，但大多数采用了下方的计算公式

u 次日留存率=（当天新增的用户中，第2天还登录的用户数）/第一天新增用户总数；

u 七日留存率=（第一天新增的用户中，在往后的第7天还有登录的用户数）/第一天新增总用户数；

u 月留存率=（第一天新增的用户中，在往后30天还有登录的用户数）/第一天新增总用户数

流失：流失率。

一段时间内流失的用户，占这段时间活跃用户数的比例。只有当产品新用户增长的速度大于老用户流失的速度时，产品的活跃用户数才会是正增长。

2、用户行为数据指标

另一个维度，立足于用户行为，可以根据提升黏性、提升参与度、提升转化这三个目标定义具体的数据指标。

黏性指标：留存率、周活天留存率反应产品是否满足用户需要。周活天反应用户忠诚度。

参与度指标：活跃度、停留时长、访问页面数量

转化指标：用户从上一环节到下一环节的转化率

这两种指标体系都具有参考价值，可以根据自身实际情况适当组合。